docs(perception): record RF-DETR COCO parity evidence

2026-08-26 00:45:32 +03:00
parent 62c8ed421a
commit 147a623df9
1 changed files with 111 additions and 0 deletions
@@ -0,0 +1,111 @@
+# M48T RF-DETR upstream и TensorRT parity gate
+
+Дата: 2026-08-26
+
+Режим: diagnostic shadow
+
+Worker: `worker-006`, NVIDIA GeForce RTX 4090
+
+Production acceptance: **нет**
+
+## Решение
+
+Полный официальный COCO val2017 gate принят. Закреплённый RF-DETR Large
+checkpoint воспроизвёл опубликованное upstream-качество в официальном PyTorch
+пути, а развёрнутый TensorRT engine сохранил это качество практически точно.
+
+Диагноз: `upstream-and-tensorrt-parity-passed`.
+
+Следовательно, наблюдавшиеся в Mission Core пропуски поведенчески значимых
+объектов нельзя объяснять деградацией RF-DETR checkpoint, ONNX/TensorRT
+конвертацией или декодированием TensorRT outputs. Следующий поиск должен быть в
+downstream admission: class mapping, valid-FOV, confidence/area gates,
+risk-class policy, temporal delivery и доменном покрытии городского источника.
+
+## Строгий контракт
+
+- dataset: все 5 000 изображений COCO val2017;
+- categories: все официальные COCO categories;
+- preprocessing: официальный RF-DETR Large, `704x704`;
+- predictions: top 300, confidence prefilter `0.0`;
+- custom area filtering: выключен;
+- crowd handling: официальный `pycocotools.COCOeval`;
+- published reference: AP@[.50:.95] `0.565`, AP50 `0.751`;
+- upstream tolerance: `0.01`;
+- PyTorch/TensorRT parity tolerance: `0.005`;
+- navigation, safety, command и actuation authority: `false`.
+
+## Результат
+
+| Метрика | Официальный PyTorch | TensorRT/Triton | Абсолютная дельта |
+|---|---:|---:|---:|
+| AP@[.50:.95] | 0.565100 | 0.565133 | 0.000033 |
+| AP50 | 0.751158 | 0.751285 | 0.000127 |
+| AP75 | 0.613005 | 0.613402 | 0.000397 |
+| AP small | 0.388411 | 0.389311 | 0.000900 |
+| AP medium | 0.610420 | 0.610540 | 0.000120 |
+| AP large | 0.740038 | 0.739485 | 0.000553 |
+| Prediction count | 1 499 907 | 1 499 909 | 2 |
+| Effective throughput | 35.094 FPS | 42.807 FPS | — |
+| Image p95 | 36.858 ms | 30.792 ms | — |
+
+Полный прогон занял `375.912 s`. Оба admission checks приняты:
+
+- upstream reproduction: `passed`;
+- TensorRT provider parity: `passed`.
+
+## Immutable provenance
+
+- profile: `m48t-rf-detr-large-upstream-coco-parity/v1`;
+- report identity SHA-256:
+  `20a286d0190d1873d924260fc9b7c61288642e53b7206b2da81610da2989ef88`;
+- result file SHA-256:
+  `48bb85081d733a0a839c7d1110fbf7f0da69234b45d38e5c4e85f28079883cbc`;
+- checkpoint SHA-256:
+  `0f4e20e19a99c0f8a62b5685f57f6c8b5c371c59081feda6752a0561a79ccf38`;
+- annotations SHA-256:
+  `e8c7f7908f1d7278341fae127d0da654f102f11bd7b21d8aeefa635b8c810b6f`;
+- TensorRT engine SHA-256:
+  `986399ce706b7380472cf5e473232249fed6e628971d8007f6609e83128d46b8`;
+- PyTorch predictions SHA-256:
+  `da5b895bf906ee8480405149d63a3d19f1d8af0179d9a457d5202d844dc07b9d`;
+- TensorRT predictions SHA-256:
+  `bb3baa3997e303a467799eb0b8ed49005182d06495106d57575906087402709b`;
+- runtime:
+  `nvcr.io/nvidia/tritonserver:26.06-py3@sha256:58df7489c3f2276f9591d500a012dee03e23d35543ce3c390b4c001e6bf90794`;
+- packages: RF-DETR `1.9.4`, PyTorch `2.9.1+cu130`, torchvision
+`0.24.1+cu130`, pycocotools `2.0.10`, Triton client `2.71.0`.
+
+Worker evidence остаётся в
+`D:\NDC_MISSIONCORE\runtime\results\m48t-upstream-parity\full-coco2017-val-20260825T213600Z`.
+Компактная копия `result.json` и `progress.jsonl` сохранена локально в
+`.runtime/worker-results/m48t-upstream-parity-coco2017-val-full-v1/`.
+
+Канонический `ndc-mission-core-triton` до и после прогона сохранил тот же
+container id и состояние `healthy`; его конфигурация не изменялась.
+
+## Что этот gate не доказывает
+
+- качество на RAVNOVES00 и будущих городских/полевых доменах;
+- полноту классов вне COCO, включая отдельный класс самоката;
+- корректность наших confidence, area и valid-FOV порогов;
+- отсутствие потерь между detector output, tracker и world-state graph;
+- безопасность navigation/actuation policy.
+
+## Следующий gate
+
+Провести downstream attribution replay на immutable RAVNOVES00: для каждого
+кадра сохранить один и тот же TensorRT output и посчитать, сколько объектов и
+каких risk-классов остаётся после каждой ступени:
+
+1. raw top-300 output;
+2. COCO class mapping;
+3. confidence gate;
+4. valid-FOV и area gates;
+5. fixed risk-class qualification;
+6. tracker/temporal/world-state delivery.
+
+Это локализует конкретную ступень потери `person`, animal, light-road-user и
+vehicle detections без добавления второй тяжёлой модели и без изменения FPS
+critical path. После attribution можно менять только доказанно виновный gate и
+повторять source-paced reference-graph load acceptance.